CADDA: 面向EEG信号的类级自动可微数据增强
机器学习
2022-02-09 v4
摘要
数据增强是深度学习流程的关键要素,因为它在训练期间向网络告知保持标签不变的输入数据变换。然而,为给定流程手动寻找充分的数据增强方法与参数迅速变得繁琐。特别地,虽然直觉可指导图像方面的决策,但对于神经科学信号等更复杂类型的数据,增强策略的设计与选择仍不明确。此外,尽管颇为直观——改变汽车图像的颜色不改变待预测的对象类别,但对橙子的图片做同样操作则会——类依赖的增强策略在文献中出人意料地未被探索。本文研究适用于具有指数级更大搜索空间的类级策略的基于梯度的自动数据增强算法。受使用EEG信号且良好增强策略大多未知的监督学习应用驱动,我们提出了该问题的一种新的可微松弛。在类无关设定下,结果表明我们的新松弛以比竞争性的基于梯度的方法更快的训练达到最优性能,同时在类级设定下也优于无梯度方法。本工作还提出了与睡眠分期分类相关的新的可微增强操作。
引用
@article{arxiv.2106.13695,
title = {CADDA: Class-wise Automatic Differentiable Data Augmentation for EEG Signals},
author = {Cédric Rommel and Thomas Moreau and Joseph Paillard and Alexandre Gramfort},
journal= {arXiv preprint arXiv:2106.13695},
year = {2022}
}